Bibliographic citations
Gilvonio, G., (2017). Desempeño de micropavimento con mezcla asfáltica modificada y predicción de la vida útil mediante un modelo de falla [Tesis, Universidad Nacional de Ingeniería]. http://hdl.handle.net/20.500.14076/8236
Gilvonio, G., Desempeño de micropavimento con mezcla asfáltica modificada y predicción de la vida útil mediante un modelo de falla [Tesis]. : Universidad Nacional de Ingeniería; 2017. http://hdl.handle.net/20.500.14076/8236
@mastersthesis{sunedu/3500206,
title = "Desempeño de micropavimento con mezcla asfáltica modificada y predicción de la vida útil mediante un modelo de falla",
author = "Gilvonio Cano, Gina Patricia",
publisher = "Universidad Nacional de Ingeniería",
year = "2017"
}
En el presente trabajo de investigación, se desarrolla una metodología para evaluar el desempeño de micro pavimento de una mezcla asfáltica modificada con polímero SBS en un tramo de la Panamericana Sur del Perú; el proceso de evaluación consiste en aplicar adecuadamente deflectometría, cálculo inverso, redes neuronales adaptativas, redes neuronales de retro propagación y empleo de un modelo de falla basado en ahuellamiento y piel de cocodrilo para establecer el estado de deterioro, con el objetivo de proporcionar una herramienta de Gestión Vial para la reparación y mantenimiento de carreteras y autopistas. Para aplicar el proceso de retro cálculo, las deflexiones y el módulo de elasticidad de la mezcla asfáltica son datos de ingreso y las respuestas son los módulos de las demás capas del pavimento, este último proceso constituye una innovación al retro cálculo de pavimentos. El módulo de elasticidad de la mezcla asfáltica se obtiene de procesar numéricamente con la teoría de Van Der Poel y Bonnaure los resultados de ensayos de laboratorio. Como los módulos de elasticidad de las capas del pavimento -base, subbase y subrasante- no siempre son calculados adecuadamente con el proceso de retro cálculo, estos módulos deben ser corregidos a partir de una base de datos clasificada por una red adaptativa SOM y entrenada con una red neuronal BP. Finalmente, las deflexiones obtenidas con FWD, los módulos de elasticidad corregidos, la profundidad del nivel de ahuellamiento y el porcentaje de carretera con fatiga por agrietamiento, son los datos de ingreso al modelo de falla de Texas adaptado al presente estudio.
This item is licensed under a Creative Commons License